基于主成分和支持向量机模型在人口预测中的应用

人口问题是一个复杂、受诸多因素影响的社会问题,准确地预测人口数量对于制定国民经济计划和社会发展战略有着深远的意义。针对神经网络预测算法易陷入局部极小、输入数据具有较强相关性的问题,建立了一种基于主元分析(PCA)与支持向量机(SVM)相结合的人口预测模型,并对我国人口总量进行预测。结果表明,该模型比单变量GM(1,1)和BP神经网络模型预测精度有了明显提高。     

基于灰色PSO-BP人口预测模型的研究与应用

人口问题是一个复杂、受诸多因素影响的社会问题,准确地预测我国人口数量对于制定国民经济计划和社会发展战略有着深远的意义。本文针对单一指标进行人口总量预测精度不高的问题,利用灰色预测所需信息少和神经网络非线性映射能力强的优点,筛选出与人口总量紧密联系的7个主要因素,建立了多指标灰色PSO-BP神经网络人口预测模型,并对2010年至2020年我国人口总量进行预测。实证分析表明,该模型预测和外推精度高,具有较好的实用价值。     

等距特征映射的支持向量机模型在上市公司信用风险评估中的应用

为了实现上市公司信用风险的科学定量管理,提出了一种基于支持向量机(SVM)的信用风险评估方法。考虑到财务数据特征的非线性和高维性,采用等距特征映射(Isomap)算法对财务指标进行特征提取,以减少数据的冗余,针对人为选择SVM参数的盲目性,应用遗传算法优化其参数。通过以中国上市公司财务数据为基础的实证分析表明:基于Isomap的SVM模型比BPNN(BP神经网络)、PCA-SVM(主成分-支持向量机)模型具有更强的信用风险评估能力,小样本评估准确率达到91%。